基于Stacked-TCN的空间混叠信号单通道盲源分离方法

针对空间互联网星地通信场景中的混叠信号分离精度不足问题, 提出了基于深度学习的堆叠时域卷积网络(stacked time-domain convolutional network, Stacked-TCN)分离方法。首先, 对混合信号提取编码特征表示。然后, 通过时域卷积网络训练得到源信号的深层特征掩模, 将每个信号源的掩模与混合信号编码特征做Hadamard乘积, 得到源信号的编码特征表示。最后, 使用1-D卷积, 对源信号特征进行解码, 得到原始波形。实验采用负的比例不变信噪比作为网络训练的损失函数, 即单通道盲源分离性能的评价指标。结果表明, Stacked-TCN方法与其他4种算法相比, 所提方法具有更好的分离精度和噪声鲁棒性。     

基于深度学习特征迁移的装备体系效能预测

针对武器装备体系效能评估在高维噪声小样本数据条件下准确性不高的问题,提出一种基于堆栈降噪自编码与支持向量回归机的混合模型。利用堆栈自编码神经网络对通用深层特征的自主抽取能力,通过在相似源域大数据上预训练混合模型,获得两任务间的共有特征知识,借助对该知识的迁移,在目标域微调该混合模型,从而提升支持向量回归机在小样本噪声数据上的学习预测精度。在一定作战想定背景下,结合武器装备体系仿真试验数据,对该混合模型进行验证。实验结果表明,与传统支持向量回归机等模型相比,所提模型能够更准确地评估装备效能。     

局部投影降噪算法邻域半径参数的选择研究

基于动力系统模型的局部投影非线性降噪算法，对混沌信号和一大类非平稳信号具有明显的降噪效果。利用局部投影算法对信号进行降噪处理，邻域半径的选择对降噪结果有很大的影响。我们研究了基于递归分析的邻域半径参数的估计和基于噪声强度的邻域半径参数估计。通过对Logistic映射和Lorenz模型叠加不同大小的高斯白噪声，对两种邻域半径估计方法进行分析比较，得到了基于噪声强度的邻域半径参数估计方法具有更好的降噪效果，为局部投影降噪算法的应用奠定了基础。     

基于DAE-GAN网络的LPI雷达信号增强

针对非合作侦察接收机只在降噪后才能开展后续检测识别工作的问题，结合降噪自编码器和生成对抗网络的优势, 构建噪声增强网络与信号增强网络进行对抗训练。噪声增强网络往带噪信号中掺杂更复杂的噪声分量, 信号增强网络则是尽可能地降低带噪信号中的噪声分量。二者在对抗训练的过程中, 噪声增强网络生成复杂高维噪声的能力和信号增强网络降噪的能力都在提升。训练结束后, 信号增强网络具备更好的降噪性能, 为后续检测识别工作降低难度。     

高光谱图像修复算法的自适应稀疏编码实现

针对高光谱图像(hyperspectral images,HSI)中缺损像元及条带影响图像后续处理及应用的问题,应用稀疏表示理论,将HSI修复问题建模为不完整观测下的信号稀疏重建问题,提出自适应稀疏编码实现的HSI修复算法。首先,对加性噪声假设下的HSI观测模型进行研究。然后,通过引入基于随机近似的在线学习优化方法,提出新的从高光谱数据中直接构造字典的算法,从而获取光谱字典。之后,应用变量分解和增广拉格朗日稀疏回归方法对图像进行稀疏编码求解。最后通过稀疏重构求得修复后的HSI。实验结果表明,相对于现有算法,在不同噪声条件下,所提算法均能够更有效地修复缺损的HSI,且与其他字典学习类修复算法相比计算耗时更短。     

基于稀疏降噪自编码神经网络的通用航空风险预测

近年来通用航空发展迅速,由此引发的安全问题日益引起重视。但是由于通用航空器种类繁多,样本之间的差异性较大,传统的统计分析技术在通用航空风险预测方面就显得无能为力。提出一种基于稀疏降噪自编码神经网络的通用航空风险预测方法,稀疏降噪自编码模型(sparse de-noising auto-encoder,SDAE)可以学习相对稀疏简明的数据特征,更好地表达输入数据。利用收集到从2012年1月至2015年12月共48个月各个不同事件发生原因的其他不安全事件总数量,建立民航事故征候万架次率的神经网络预测模型,将其他不安全事件的发生与事故征候联系起来。通过实例说明,构建的SDAE模型可以根据输入的其他不安全事件的数量对当月的事故征候万架次率做出较为准确的预测。     

基于深度自编码器的电力能耗异常检测方法

针对电力能耗数据的非线性和不平稳特征,提出了一种基于深度自编码器的电力能耗异常检测模型。将深度学习的门控循环单元网络和自编码器结构相结合,通过传统自编码器的编码器和解码器部分采用门控循环单元网络来实现,充分发挥门控循环单元的数据特征提取能力和自编码器结构的数据重构功能。根据原始数据和重构数据之间的重构误差来检测电力能耗异常数据点。将所提方法应用于实际的车间电力能耗数据集,结果表明：所提方法能够对电力能耗数据进行异常点检测,检测效果良好。     

基于双谱-谱图特征和深度卷积神经网络的HRRP目标识别方法

针对雷达高分辨距离像(high resolution range profile, HRRP)目标识别中有效表示和特征提取这一关键问题,提出了基于双谱-谱图特征和深度卷积神经网络(deep convolution neural network, DCNN)的识别方法。首先,提取HRRP的双谱-谱图特征表示作为CNN的输入。然后，通过网络训练提取出深层本质特征,实现对雷达目标的识别。最后，对不同特征表示的识别结果进行对比。采用卫星目标实测数据进行实验，结果表明,该方法可以准确有效地识别雷达目标,而且与其他常用特征表示相比,双谱-谱图特征表示具有更好的识别准确率和噪声鲁棒性。     

取用水监测点的水量计算与变化趋势分析

加强取用水监测是实施最严格水资源管理制度的重要举措.为了更有效地利用大量的取用水在线监测数据,需要对获取的监测数据进行预处理.本文首先提出应用中位数法与曲线拟合相结合的方法对取用水监测数据进行异常值检测,再用曲线拟合方法对异常值进行校正;其次,根据校正后得到的数据进行两个方面的分析,一方面是计算监测点的年取水量,另一方面是应用集成经验模态分解方法分析监测点的日取水量变化趋势;最后,以M市的16个自来水厂2016年取用水在线监测数据为例进行实证分析,结果表明,本文提出的中位数法与曲线拟合相结合的方法能够有效地检测异常值,进而再用曲线拟合方法能够更好地对异常值校正.根据校正后得到的数据进行分析发现81%的监测点年取水量相对2011年水利普查数据有所增加,个别监测点超出许可取水量较多,75%的监测点从春季到冬季日取水量变化为先增后减的抛物线趋势.     

基于RCNN-ABiLSTM的机械设备剩余寿命预测方法

针对机械设备的关键退化信息易淹没在非线性、多维度、长时间、大规模监测数据中的问题，提出了一种基于残差卷积神经网络和注意力双向长短时记忆网络融合(residual convolutional neural network-attentional bidirectional long short-term memory network, RCNN-ABiLSTM)的机械设备剩余寿命预测方法。首先通过训练RCNN提取监测数据的深度空间特征；然后通过引入注意力机制，优化双向长短时记忆网络提取时间相关特征的权重参数，加强关键退化信息对剩余寿命预测的表达；最后通过航空发动机数据集验证了方法的有效性。分析结果表明，对于运行条件复杂和故障模式多变的多维监测数据，所提方法能够准确寻找退化时间点，有效提高长时间运行设备的剩余寿命预测准确度。     

注意力机制CNN的毫米波大规模MIMO系统信道估计算法

在室外光线追踪通信场景下, 针对毫米波大规模多输入多输出(multiple input multiple output, MIMO)信道具有稀疏特性、系统受噪声因素影响导致信道估计精度低的问题, 提出一种基于图像去噪的注意力机制卷积神经网络信道估计方法。首先, 设定参数产生模拟真实环境的数据集, 将所产生的信道矩阵看作二维图像。然后, 构建注意力机制网络以增强图像中噪声特征的显著性, 并将注意力机制网络嵌入卷积神经网络中进行特征融合。最后, 通过网络模型提取噪声并得到去噪的图像, 即估计信道矩阵。仿真结果表明, 与最小二乘法(least square, LS)、最小均方误差(minimum mean square error, MMSE)、卷积神经网络(convolutional neural network, CNN)和去噪CNN (denoising CNN, DnCNN)算法相比, 所提出的Attention-CNN方法信道估计精度平均提升约1.86 dB。     

CEEMD结合改进小波阈值的激光雷达信号去噪算法

激光雷达远距离回波信号受噪声影响, 严重失真。为了有效去除信号的噪声, 提高回波信号信噪比, 提出一种互补集合经验模态分解(complementary ensemble empirical mode decomposition, CEEMD)结合改进小波阈值的去噪算法。CEEMD可以自适应地分解非线性和非平稳信号, 改进小波阈值函数具有高阶可导特性, 能够克服硬阈值、软阈值函数各自存在的问题。两种方法结合, 可以更有效地去除噪声。首先, 对回波信号进行CEEMD分解, 得到若干固有模态函数(intrinsic mode function, IMF)。其次, 通过相关系数法计算IMF分量与信号的相关系数, 确定相关分量和不相关分量。最后, 对不相关分量使用小波改进阈值法进行去噪, 对相关分量使用粗糙惩罚法进行平滑, 再重构信号。基于实测数据的实验结果表明, 所提算法比CEEMD去噪法和CEEMD结合原改进阈值去噪法, 信噪比分别提升了2.65 dB和0.58 dB。     

高移动性Jakes信道的学习与估计

在高移动场景下, 信道具有快速时变性和非平稳特性, 对信道的准确估计提出了新的挑战。针对高移动性Jakes信道, 提出一种基于图像重建和恢复原理的信道学习估计网络。首先，根据Jakes信道矩阵中局部相关特性, 构建快速超分辨卷积神经网络提取信道特征, 并对信道插值完成信道图像建模。然后, 利用去噪神经网络降低信道噪音的影响, 进一步提高估计精度。最后，通过时域和频域的仿真测试, 所提方案估计性能优于传统算法。在与现有基于深度学习最新方法比较中, 所提方案也有性能优势, 并且收敛速度更快。     

基于小波窗口的模极大值去噪算法

在相关去噪和模极大值去噪的基础上,提出了一种基于小波窗口相关的模极大值去噪算法.即先用小波窗口相关法时最大尺度的小波系数进行预处理,再用模极大值法去除各层系数的噪声.该算法不仅克服了通常相关去噪算法中小渡系数对偏移敏感的缺点,避免了阙值选择受噪声影响的问题,同时,它也解决了模极大值算法中由于小尺度上噪声影响较大而造成的对信号小波系数定位不准的问题,减少了模极大值法的累积误差.仿真实验验证了新方法的有效性,特别是信噪比较低时,该方法的效果尤为显著.     

峰度检验加窗的EMD脉冲星信号消噪方法

针对经验模态分解(empirical mode decomposition, EMD)过程中本征模态函数(intrinsic mode function, IMF)上存在脉冲星信号与噪声混叠的问题,提出了一种基于局部峰度检验加窗的EMD消噪方法。首先,利用自相关和互相关来判断IMF的重构起点;其次,通过局部峰度检验方法来获取重构起点前两层IMF中信号脉冲部分的左、右端点,选用Turkey Hanning窗滤掉脉冲外噪声;最后,利用自适应阈值方法进一步除噪,改善信号质量。实验结果表明,与其他5种方法相比,所提消噪方法可以有效抑制噪声,保留脉冲星信号细节信息,具有更高的消噪性能。     

闪烁现象下旋翼目标微动参数估计方法

逆Radon变换以其精度高、抗噪性能好的优点常用于微动信号的参数估计,但是当旋翼类目标微动信号存在闪烁现象时,该方法失效.针对此问题,提出一种闪烁现象下的微动参数估计方法.首先,建立基于线性调频信号的单旋翼直升机雷达回波散射点模型,分析闪烁现象下回波的微动特性.其次,通过去噪卷积神经网络(denosing convol...     

基于CWD和残差收缩网络的调制方式识别方法

针对低信噪比时莱斯信道下特征提取准确性难以保证、识别准确率偏低等问题, 提出一种基于Choi-Williams分布(Choi-Williams distribution, CWD)和深度残差收缩网络(deep residual shrinkage network, DRSN)的通信辐射源信号调制方式识别方法。利用CWD将时域复信号转换为二维时频矩阵, 对深度残差网络添加软阈值化得到DRSN, 将时频矩阵样本用于对DRSN的训练, 最终构建不同信噪比下的调制方式识别网络。仿真实验表明, 基于RadioML2016.10a数据集, 利用部分先验信息的情况下, 该分类识别方法具有较高的识别准确率和噪声鲁棒性。在0 dB时, 对11类信号的总体识别准确率达到了89.95%;在2 dB以上时, 总体识别准确率均超过91%, 优于其他深度学习识别方法。     

改进小波空域相关滤波的脉冲星微弱信号降噪

脉冲星信号具有极低信噪比,传统降噪算法难以在抑制噪声的同时保留微脉冲等细节信息。为此,提出一种基于改进小波空域相关滤波的脉冲星极弱信号降噪算法。从小波阈值和空域相关算法在极弱信号降噪中的缺陷出发,以保留细节信息和提高信噪比为目标,结合脉冲星辐射信号的严格周期性、相邻周期间的相关性、极低信噪比和窗口辐射等特性,改进了小波空域相关滤波算法。采用Parks射电天文台和罗希（Rossi）X射线时变探测器的脉冲星观测数据进行实验。结果表明,改进小波空域相关滤波算法可以保留更多微脉冲等细节信息,在提高信号的信噪比方面优于现有算法。     

基于LSTM和残差网络的雷达有源干扰识别

针对目前雷达干扰识别方法存在人工特征提取难、强噪声环境下识别率不高的问题，提出了一种基于长短时记忆(long short-term memory, LSTM)网络和残差网络相结合的雷达有源干扰识别方法。输入有源压制干扰原始时域序列数据，搭建深度学习网络模型对不同干噪比下的干扰信号进行分类识别。仿真结果表明：在干噪比为0 dB的情况下，该方法对4类雷达有源干扰信号的识别准确率均高于98.3%,与单纯的残差网络和卷积神经网络(convolutional neural networks, CNN)等其他深度学习算法相比，具有更佳的网络性能，验证了该算法的有效性。     

结合运动补偿的球体双边滤波视频降噪算法

提出一种结合了运动补偿的球体双边滤波（motion compensated sphere bilateral filtering, MCSBF）视频图像降噪算法。在受噪视频图像中,首先利用视频序列中的当前帧和前后多帧图像,通过运动补偿得到当前帧的参考帧。在当前帧和参考帧构成的三维空间中,构建滤波窗为球体的双边滤波器,对当前帧像素进行三维双边滤波、实现降噪。算法能够充分利用视频图像中的空时相关性,在保持视频图像细节的同时、有效地去除噪声。实验结果表明,在提升受噪视频图像主观视觉质量和峰值信噪比（peak signal noise ratio, PSNR）等方面,算法优于空时联合滤波（spatial temporal joint filtering scheme, JNT）、空时转换滤波（spatial temporal varying filter, STVF）、多假设运动补偿滤波（multi-hypothesis motion compensated filter, MHMCF）等经典视频图像降噪算法。